La predicción de emisiones de carbono es fundamental para la mitigación del cambio climático en los sectores industrial, de transporte y urbano. Los métodos tradicionales de estadística y aprendizaje automático luchan por capturar patrones temporales complejos a múltiples escalas y dependencias a largo plazo en los datos de emisiones. Este documento propone un marco jerárquico de descomposición multi-escala y aprendizaje profundo que aborda estas limitaciones. Integrando la descomposición empírica de modo de ensamble completo con ruido adaptativo (CEEMDAN) para descomponer series temporales de emisiones de carbono en funciones de modo intrínseco (IMFs) que capturan diferentes bandas de frecuencia. Cada IMF es procesada a través de una arquitectura híbrida de red neuronal convolucional (CNN)-Transformador: las CNN extraen características locales y los transformadores modelan dependencias a largo plazo a través de atención multi-cabeza. Un mecanismo de ensamble adaptativo pondera dinámicamente las predicciones de los componentes en función de métricas de estabilidad y rendimiento. Experimentos en cuatro conjuntos de datos del mundo real (133,225 observaciones) demuestran que nuestro marco CEEMDAN-CNN-Transformador supera a 12 métodos de vanguardia, logrando una reducción del 13.3% en el error cuadrático medio (RMSE) a 0.117, una mejora del 12.7% en el error absoluto medio (MAE) a 0.088 y una mejora del 13.0% en la puntuación de probabilidad clasificada continua (CRPS) a 0.060. El marco propuesto no solo mejora la precisión predictiva, sino que también mejora la interpretabilidad al revelar patrones de emisión en múltiples escalas temporales, apoyando decisiones operativas y estratégicas de gestión de carbono.